いらっしゃいませ に その トークE 説明可能な AI: 開封 その 黒 箱。
さあ 導入 私たち自身 そして さあ 始める と ローラ。
こんにちは、 私は ローラ ランカスター、 そして 私は として 統計開発者 で ジャンプ
そして 私は 位置した で その キャリー オフィス。
ありがとう。
何 について あなた、 ラス？
皆さん、こんにちは。ラスです ウルフィンガー。
私は 監督 の 人生 科学 研究開発 で その ジャンプ グループ
そして 研究 仲間 として 良い。
見ている フォワード に その 話す 今日。
そして ピート？
私の 名前の ピーター ハーシュ。
私は 一部 の その グローバル テクニカル エンパワーメントT 彼女
そして 私は 位置した で デンバー、 コロラド。
素晴らしい そして 私の 名前 は フロリアン ヴォクト。
私は システム エンジニア のために その 化学薬品 チーム で ヨーロッパ
そして 私は 位置した で 美しい ハイデルベルク、 ドイツ。
いらっしゃいませ に その 話す。
人工知能 は a 熱い トピック で その 一瞬 そして a 多く の 人々 欲しい に する それ。
しかし 何 する それ 平均 のために その 業界ですか?
か それ 平均 それ 科学者たち そして エンジニア 必要 に なる コーダー、
のために プロセス で その 未来 走る による データ 科学者たち？
A 最近の 出版物 と呼ばれる 産業 データ 科学 - a レビュー
の 機械 学ぶ アプリケーション のために 化学薬品 そして プロセス 産業
説明する 工業用 データ 科学 基礎、
レビュー 工業用 アプリケーション 使用して
州 の その 美術 機械 学ぶ テクニック
そして それ ポイント 外 いくつかの 重要 側面 の 工業用 人工知能。
これら は その アクセシビリティ の AI、 その 理解しやすさ の 人工知能
そして その 消費性 AI、 そして で 特定の その 出力。
良い 見せる あなた いくつかの の その 特徴 それ 私たちは 考える
は 貢献する に これ トピック とても 良い で ジャンプ。
前に 私たちは 始める の中へ その プログラム の 今日、 さあ 簡単に レビュー
何 人工知能 包含する そして 何 私たちの 集中 今日 は 位置した の上。
私は 選んだ a ソース それ 実は 分離する それ の中へ 4つ グループ。
それらの グループ は： 初め、 サポート 人工知能 また と呼ばれる 反応的 機械
そして これ 目的 で 決断 サポート。
その 2番 グループ は と呼ばれる 増強 人工知能
または 限定 理論 そして それ 焦点を当てる の上 プロセス 最適化
そして その 三番目 グループ は 自動化 AI、
または 理論 の 心、 どれの、 として その 名前 示唆している、 目的 の上 オートメーション、
そして その 4番目 は と呼ばれる 自律的な 人工知能
または 自己 わかっている AI、 どれの 包含する 自律的な 最適化。
今日の 集中 は 本当に の上 その 初め そして その 2番 トピック。
私たちは 持っていた a 簡単な 議論 前に。
ラス、 何 は あなたの 考え の上 これら また と 尊敬 に 何 ジャンプ できる カバー？
良い、 確かに その 学期 人工知能 取得する 投げられた その周り a 多く。
その 使用済み で 多くの 親切 の 違う 微妙な 会議。
I 傾向がある に 好む 会議 それ は
絶対に もっと 有形 そして 使用可能 そして もっと 集中した。
のように だった 行く に ズーム で の上 今日 と いくつかの 特定の 例。
その 用語 できる 得る a 少し 混乱する けれど。
I 推測 I ただ 傾向がある に 親切 の 保つ それ かなり 広い、 開ける 心
いつでも 誰でも 用途 その 学期 人工知能 そして 試す に 推測する その 意味 から その コンテクスト。
右。 それは 条項 の 導入、
今 良い 得る a 少し 少し もっと の中へ その 詳細 そして 具体的には の中へ
なぜ それ は 重要 に 実は 理解する あなたの 人工知能 モデル。
以上 に あなた、 ピート。
完璧。 ありがとう、 フロリアン。
I 考える 何 ラス だった 打撃 の上 そこには そして フロリアンの 導入 は、
私たちは しばしば しない 知る 何 一つの 人工知能 モデル は 伝える 私たち そして 何ですか 下 その フード。
いつ だった 考え について どうやって 良い a モデル 実行する、
私たちは 考える について どうやって 良い それ フィット その データ。
もし 私たちは 見て ここ、 だった 見ている で a ニューラル ネットワーク 図
そして として あなた できる 見る、 これら できる 得る かわいい 複雑な。
これらのAI モデル は なる もっと そして もっと 普及している
そして 頼った その上 のために 決断 作っています。
本当に、 理解 なぜ 一つの 人工知能 モデル は 作る a ある 決断、
何 基準 その ベース それ 決定、
必須です に 服用 満杯 アドバンテージ の これら モデル。
いつ a モデル 変更 または アップデート、
特に と それ 自律的な 人工知能 または その 自動化 AI、
私たちは 必要 に 理解する なぜ。
私たちは 必要 に 確認する それ これ モデル は 多分 ない
外挿する または ベース それ の上 a 少し ポイント 外 の 私たちの 普通 オペレーティング 範囲。
所有 の上。
させて 自分 窃盗 その 画面 ここ から フロリアン、
そして 私は 行く に 行く 先に そして 歩く を通して a 場合 勉強 ここ。
全て 右、 それで これ 場合 勉強
は ベース の上 方向性のある 掘削 から 井戸 近く 砦 価値、 テキサス。
その アイデア と これ タイプ の 掘削 は
とは異なり 従来の 井戸、 どこ あなた だろう ただ 行く 垂直に、
あなた 行く 下 a ある 深さ、 そして それから あなた 始める 行く 水平。
その アイデア は これら は 多くの もっと 効率的 よりも その 伝統的 井戸。
あなた 持っている これら 地域 の 閉じ込められた 油 そして ガス それ あなた できる
得る で と いくつかの 特別 完了 パラメータ。
だった 見ている で その データ ここ から これら 井戸、
そして だった 試して に 形 外 何 は その ほとんど 重要 要因、
含む その 地質学、 その 位置、 そして その 完了 要因、
そして できる 私たちは 最適化する これら 要因 に 増加 または 最適化する 私たちの 良い 生産？
に 与える あなた 一つの アイデア、 ここは a 地図 の それ 流域、
それで のように I 言及された、 これ は 砦 価値、 テキサス。
あなた できる 見る 私たちは 持っている 井戸 全て その周り これ。
私たちは 持っている ある 地域 どこ 私たちの 毎年 生産 は より高い、
その他 どこ その より低い。
私たちは 望んでいた に 聞く a 少し 質問 見ている で これ データ。
何 要因 持っている その 最大の 影響 の上 生産？
もし 私たちは 知る ある レベル のために a 新しい 良い、
できる 私たちは 予測する 何 私たちの 生産 意思 なれ？
は そこには a 方法 に 変更する 私たちの 要因、 多分 いくつかの の その 完了 パラメータ
そして インパクト 私たちの 生産？
だった 行く に 行く 先に そして 答え いくつかの 質問 と a モデル。
しかし 前に 私たちは 得る の中へ それ、 I 望んでいた に 聞く ラス、
以来 彼は 得た たくさん の 経験 と これ。
いつ あなたは 起動 に あなた の中へ データ、 ラス、
何ですか その 最高 場所 に 始める そして なぜ？
良い、 I 推測 多分 私は 偏見のある、 しかし I 愛 ジャンプ
のために これ タイプ の 応用、 ピート、
ただ なぜなら その それで 良い 適した のために 素早い 探索的な データ 分析。
あなた 欲しい に 得る a 感じる のために 何 ターゲット あなたは 試して に 予測する
そして その 予測因子 あなたは について に 使用、 見ている で 彼らの 分布、
チェック中 のために 外れ値 または どれでも 普通でない パターン で その データ。
あなた 5月 平 欲しい に する いくつかの 素早い パターン 発見 クラスタリング
または PCA タイプ 分析 ただ に 得る a 感じる のために どれでも 構造 それは で その データ。
それから また なれ 考え 気をつけて について
何 パフォーマンス メトリック だろう 作る その ほとんど センス のために その 応用 で 手。
通常 その 一般 1つ、 明らかに のために 連続 予測因子 だろう
のように 根 手段 四角 エラー、 しかし そこには できた なれ 症例 どこ
それはそうかもしれない ない とても 適切な、 特に もし そこには
直接 料金 関与した、 時々 絶対 エラーは もっと 関連する
のために a 真実 利益- 損失 タイプ 決断。
これら は 全て もの それ あなた 欲しい に 始める 考え について
として 良い として どうやって あなたは 行く に 検証する あなたの モデル。
私は a 大きい ファン の k 分割交差検証。
どこ あなた スプリット あなたの データ の中へ 明確な サブセット そして 所有 1つ 外
そして いる とても 注意深い について ない 許可する 漏れ または また 注意深い について 過剰適合。
これら は 全て 懸念事項 それ 傾向がある
に 来る トップ の 心 のために 自分 いつ I 始める 外 と a 新しい 問題。
完璧。 ありがとう、ラス .
私は 行く に 歩く を通して これ で ジャンプ
いくつかの の その ツール 私たちは できる 使用 に 始める 見ている で 私たちの 問題。
それから だった 行く に カバー いくつかの の その もの それ ヘルプ 私たち 決定する
どれの の これら 要因 は 持つ その 最大の インパクト の上 良い 生産。
私は 行く に 見せる 変数 重要性 そして それから シャプレー 価値観
そして 良い 持っている ローラ 話す に それ そして どうやって 私たちは する それ。
しかし、まずは さあ 行く 先に そして 見て で これ データ 内部 a ジャンプ。
のように 私たちは 言及された ここ、 I 持っている 私の 生産 から これら 井戸。
I 持っている いくつかの 位置 パラメータ それで どこ それ は 緯度 そして 経度、
I 持っている いくつかの 地質学的 パラメータ。
これ は について その ロック 形成 だった 掘削 を通して。
それから I 持っている いくつかの 完了 パラメータ
そして これ は 要因 それ 私たちは できる 変化 その間 だった 掘削 として 良い、
いくつかの の これら 我々はできる 持っている 影響 の上。
もし 私たちは 望んでいた に 行く を通して そして これ データセット のみ もっている 5,000 行。
いつ 話している に ラス で 起動 に 準備 これ 話す、 彼 言った ただ 行く 先に
そして 走る いくつかの モデル スクリーニング そして 見る 何 タイプ の モデル フィット これ データ 最高。
に する それ、 だった 行く に 行く 先に そして 行く 下 その 分析する メニュー、
行く に 予測的 モデル そして 打つ モデル スクリーニング。
私は 行く に 置く 私の 応答、 どれの は それ 生産、
取る 全て の 私たちの 要因、 位置、 地質学 そして 完了 パラメータ、
置く それらの の中へ その X そして 掴む 私の 検証 そして 置く それ の中へ 検証。
下 ここ 私たちは 持っている 全て ソート の 違う オプション の上 種類 の モデル 私たちは できる 走る。
私たちは できる 選ぶ そして 選ぶ どれの もの 多分 作る センス
または しない 作る センス のために これ タイプ の データ。
私たちは できる 選ぶ 外 いくつかの 違う モデリング オプション のために 私たちの リニア モデル。
平、 のように ラス 言及された ここ、 もし 私たちは しない 持っている 十分 データ
に 所有 戻る そして する 私たちの 検証。
それ 方法 私たちは できる 利用する a ここでは k 分割交差検証が行われます。
今 に 保存 いくつかの 時間、 私は 消えた 先に そして 走る これ すでに それで あなた しない 持っている
に 時計 ジャンプ 作成する 全て これら モデル。
こちらは その 結果。
のために これ データ、 あなた できる 見る
それ これら 木 ベース 方法: ブースト 木、 ブートストラップf 時間 そして XGB 東
全て した とても 良い で フィッティング その データ、 比較すると に いくつかの の その 他の テクニック。
私たちは できた 行く を通して そして 走る いくつかの の これら、
しかし のために これ 1つ、 私は 行く に ただ 選ぶ
その ブースト 木 以来 それ 持っていた その 最高 RS なぜ そして 根 平均 四角 エラー
のために これ データセット。
良い 行く 先に そして 走る それ。
後 私たちは 走る その スクリーニング、 だった 行く に 行く 先に そして 選ぶ a モデル
または a カップル の モデル それ フィット 良い そして ただ 走る 彼ら。
アル 右、 それで ここは その 全体 フィット で これ 場合。
状況に応じて の上 何 タイプ の データ あなたは 見ている で、
多分 一つの RS なぜ の .5 は 素晴らしい、 多分 一つの RSquare の .5 は ない それで 素晴らしい。
ただ 依存する の上 何 タイプ の データ あなた 持っている、
あなた できる 裁判官 もし これ は a 良い 十分 モデル または ない。
今 それ I 持っている これ、 I 欲しい に 答え それ 初め 質問。
知ること a 少し パラメータ 行く で、
何 できる I 期待する 私の 生産 レベル に なれ？
アン 簡単 方法 に する それ 内部 a ジャンプ と どれでも タイプ モデル は と これ プロファイラー。
わかった、 それで 私たちは 持っている その プロファイラー ここ、
私たちは 持っている 全て の その 要因 それ だった 含まれる で その モデル、
そして 私たちは 持っている 何 私たちの 期待される 12 月 生産 に なれ。
ここ I できる 調整する もし I 知る 私の ある 位置。
I 知る その 緯度 そして 経度 入る
多分 I 知る いくつかの の これら 地質学的 パラメータ。
I できる 多分 調整する いくつかの の これら 要因
そして 形 外 の その 完了 パラメータ
そして 形 外 a 方法 に 最適化する これ。
しかし I 考える ここ と a 多く の 要因、 これ できる なれ 複雑な。
さあ 話す について その 2番 質問、
どこ 私たちは だった 不思議に思う どれの 1つ の これら 要因 だった 持つ その 最大の 影響。
あなた できる 見る ベース の上 どれの の これら 線 は より平らな
または 持っている もっと 形 に 彼ら、 何 は その 最大の 影響。
しかし さあ ジャンプ する それ のために 私たち。
下 評価 変数 重要性、
私は 行く に ただ させて ジャンプ 行く を通して
そして 選ぶ その 要因 それ は ほとんど 重要。
ここ あなた できる 見る その 概説 その ほとんど 重要
下 に もの それ は 少ない 重要。
I のように これ 特徴 色付けする その プロファイラー。
今 その 強調表示 その ほとんど 重要 要因
そして 消えた 下 に その 少しでも 重要 要因。
また、 I できる 調整する これら そして 見る、 おお、 それ 見た目 のように
多分 調整 その 深さ の その 良い、
追加する いくつかの もっと [聞き取れない 00:15:51] それ かもしれない 改善する 私の 生産。
それ は その 方法 私たちは できた する これ しかし 私たちは 持っている a 新しい 方法 の 見ている
で その インパクト の それぞれ 1つ の これら 要因 の上 a ある 良い。
私たちは できる 打ち上げ それ 下 その 赤 三角形 で ジャンプ 17 そして シャプレー 価値観。
I できる セット 私の オプション または 保存 外 その シャプレー 価値観。
一度 I する それ、 それ 意思 作成する 新しい 列 で 私の データ テーブル
それ 保存 外 その 貢献 から それぞれ 1つ の それらの 要因。
これ は どこ 私は 行く に させて ローラ 話す に いくつかの シャプレー 価値観。
I ただ 望んでいた 行く に 話す 簡単に について 何 シャプレー 価値観 は
そして どうやって 私たちは 使用 彼ら。
シャプレー 価値観 は a モデル 不可知論者 方法 のために 説明 モデル 予測
そして 彼らは は 本当に 役立つ のために 黒 箱 モデル
それ は 本当に 難しい に 解釈する または 説明する。
その 方法 来る から 協力的 ゲーム 理論
そして I しない 持っている 時間 に 話す について その 背景
または その 数学 後ろに その 計算、 しかし 私たちは 持っている a 参照
で その 底 の その スライド そして もし あなた グーグル それ、 あなた すべき なれ できる に 探す
a 多く の 参照 に 学ぶ もっと もし あなたは 興味がある。
何 これら シャプレー 価値観 する、
彼らは 教えて あなた どうやって 多くの それぞれ 入力 変数
は 貢献する に 一つの 個人 予測 のために a モデル。
それは 離れて から その 平均 予測された 価値
横切って その 入力 データセット
そして あなたの 入力 データセット は 行く に 来る から あなたの トレーニングデータ。
シャプレー値 は 添加剤、
どれの 作る 彼ら 本当に ニース そして 簡単 に 解釈する そして 理解する。
毎 予測 できる なれ 書かれた として a 和 の あなたの シャプレー値
プラス それ 平均 予測された 価値、
どれの 私たちは 参照する に として その シャプレー 傍受 で ジャンプ。
彼らは できる なれ 計算的に 集中的な
に 計算する もし あなた 持っている a 多く の 入力値、 入力変数 あなたの モデル
または もし あなたは 試して に 作成する シャプレー値 のために a 多く の 予測。
私たちは 試す に 与える いくつかの オプション のために 助ける に 減らす 時間 JMPで .
これら シャプレー 価値観、 として ピーター 言及された、
だった 追加した に その 予測 プロファイラー のために とても a 少し の その モデル で ジャンプ プロ17
そして 彼らは また 利用可能 で その グラフ プロファイラー。
彼らは 利用可能 のために 適合最小S 正方形 名目ロジスティック、O 序数 ロジスティクス、
ニューラル、 ジェネラル・レジ、P 芸術、 ブートストラップ 森 そして ブースト 木。
彼らは また 利用可能 もし あなた 持っている その XB 東 追加 -で。
を除外する で それ 追加-I ん、 彼らは 利用可能 から その モデル メニュー
そして ない から その 予測 プロファイラー。
わかった、 次 スライド。
で これ スライド I 欲しい に ただ 見て で いくつかの の その 予測 から ピーターの モデル。
これ は から a モデル 使用して 五 入力 変数。
これら は スタック バー チャート の その 初め 三つ 予測
来る から その 初め 三つ 行 の 彼の データ。
の上 その 左 あなた 見る a スタック 棒グラフ の その シャプレー 価値観 のために その 初め 行。
それ 初め 予測 は 11.184 生産 バレル
数十万単位です。
それぞれ 色 で それ バー グラフ は 分割された 外 による その 違う 入力 変数。
内部 その バー は その シャプレー値。
もし あなた 追加 上 全て の それらの 価値観、 プラス その シャプレー 傍受
それ I 持っている で その 真ん中 の その グラフ、 あなた 得る それ 予測 価値。
これ は 表示中 あなた それ 初め の 全て、 全て の これら は 作る
ポジティブ 貢献 に その 生産 そして 彼らは 見せる あなた どうやって 多くの、 だから サイズ、
I できる 見る それ 経度 そして プロパント
は 貢献する その ほとんど のために これ 特定の 予測。
それから もし I 見て に その 右 側 に その 三番目 予測、
どれの は 2.916 生産 バレル そして 数百 の 数千、
I できる 見る それ 二 の 私の 入力 変数
は 貢献する 積極的に に 私の 生産
そして 三つ の 彼ら は 持つ ネガティブ 貢献、
その 底 三つ ここ。
あなた できる 使用 グラフ のように これ に ヘルプ 視覚化する あなたの シャプレー値 .
それ 役立つ あなた 本当に 理解する
これら 個人 予測。
次 スライド。
これ は ただ 1つ の 多くの 種類 の グラフ
あなた できる 作成する。
その シャプレー 価値観 得る 保存された の中へ あなたの データ テーブル。
あなた できる 操作する 彼ら
そして 作成する 全て 種類 の グラフ で グラフ ビルダー そして ジャンプ。
これ グラフ は ただ a グラフ の 全て その シャプレー 価値観
から 以上 5,000 行 の その データ スプリット 外 による それぞれ 入力 変数。
ただ 与える あなた 一つの アイデア の その 貢献 の それらの 変数、
両方 ポジティブ そして 否定的に に その 予測。
今 私は 行く に 手 それ 戻る 以上 に ピーター。
素晴らしい。 ありがとう、 ローラ。
I 考える 今 良い 行く 先に そして 遷移 に 私たちの 2番 場合 勉強
それ フロリアン は 行く に する。
すべき I 合格 その 画面 共有 戻る に あなた？
うん、 それ だろう なれ 素晴らしい。
移行を実行します。
ありがとう のために これ 初め 場合 勉強 そして ありがとう のために その 貢献。
本当に 面白い。
願っています 私たちは できる 持ってくる いくつかの ライト 上に a 違う 親切 の 応用
と 私たちの 2番 場合 勉強。
I 持っている 与えられた それ その 字幕、 だった それ トルク？
なぜなら それは a 質問 良い 持っている うまくいけば 答えた
による その 終わり の その 2番 場合 勉強 プレゼンテーション。
これ 2番 場合 勉強 は について 予測的な メンテナンス
そして その 特定の 側面 の なぜ それ は 重要 に 理解する
あなたの モデル で これ シナリオ。
ほとんど おそらく みんな できる 考える それ その とても 重要
に 持っている a センス のために いつ 機械 必要とする メンテナンス。
なぜなら もし 機械 失敗、 それは a 多く の トラブル、
a 多く の コスト、 いつ 植物 持っている に シャット 下 そして それで の上。
その 本当に 必要 に する 予防的 メンテナンス
に 保つ システム 実行中。
A 選考科目 タスク で これ は に 決定する
いつ その メンテナンス すべき なれ 実行された
そして ない あまりにも 早い、 ない あまりにも 遅い、 確かに。
したがって、 その a タスク に 探す a バランス
どれの 限界 失敗 そして また 保存 コスト の上 メンテナンス。
そこには a 場合 勉強 それ だった 使用して に ハイライト いくつかの 機能 特徴
そして その 実は a 合成 データ セット
どれの 来る から a 出版された 勉強。
その 出典は 下 そこには で その 底。
あなた できる 探す それ。
それ だった 出版された で その 人工知能 のために 業界 イベント で 2020年。
その 基本的な コンテンツ の これ データセット
は それ それ もっている 六 違う 特徴 の プロセス 設定、
どれの は 製品 または製品タイプ
どれの を表す のために 違う 品質 バリアント。
それから 私たちは 持っている 空気 温度、
プロセス 温度、 回転 スピード、 トルク、 そして 工具の摩耗。
私たちは 持っている 1つ 主要 応答 そして それ は かどうか その 機械 失敗する または ない。
いつ 私たちは 考える の 質問
それ 私たちは できた 答え と a モデル または モデル または 一般的に データ。
そこには いくつかの それ 来る に 心。
今、 その ほとんど 明らか 質問
は おそらく どうやって 私たちは できる 説明する そして 解釈する 設定、
どれの おそらく 鉛 に 機械 失敗。
これ は 何か それは[聞き取れない00:24:38]
に 作成する そして 比較する 複数 モデル
そして それから 選ぶ その 1つ それは ほとんど 適切な。
今、 で これ 特定の 設定 どこ 私たちは 欲しい に 予測する
かどうか 機械 失敗する または ない。
私たちは また 持っている に アカウント のために 誤分類
それ は どちらか a 間違い ポジティブ または a 間違い ネガティブ 予測。
と JMPの 決断 しきい値 グラフ
そして その 利益 マトリックス、 私たちは できる 実は 特定 一つの 強調
または 重要性 に どれの 結果 は 少ない 望ましい。
のために 例、
それ は 通常 少ない 望ましい に 実は 持っている a 失敗
いつ その モデル しなかった 予測する 1つ
比較すると に その 反対、 誤分類。
それから その上 その バイナリ 分類、 の コース、
あなたは なれ また 興味がある で 理解 何 ドライブ 失敗 通常。
そこには は 確かに いくつかの 方法 に 取引 と これ 質問。
I 考える 視覚化 は いつも a 一部 の それ。
しかし いつ だった 使用して モデル 私たちは できる 考慮する、
のために 例、 これ 自己 説明 モデル
のように 決断 木々 または 私たちは できる 使用 建てられた で 機能性
のように その 予測 プロファイラー そして その 変数 重要性 特徴。
その 最後 ポイント ここ
いつ 私たちは 調査して評価する どれの 要因 は ほとんど 重要
のために その 予測的な 結果、
私たちは 仮定する それ そこには は 一つの 基礎となる 行動。
その ほとんど 重要 要素 は XYZ、
しかし 私たちは する ない 知る どれの 要素 実は
もっている 貢献した に 何 範囲 に 一つの 個人 予測。
A 得、 シャプレー 価値観 は a とても 役立つ
追加 それ できる 許可する 私たち に 理解する その 貢献
のために それぞれ の その 要因 で 個人 予測。
に 一般的な レベル、
今、 さあ 取る a 見て の中へ 三つ 特定の 質問
そして どうやって 私たちは できる 答え それらの と その ソフトウェア。
その 初め 1つ は どうやって する 私たちは 調整する 予測的な モデル
と 尊敬 に その 高い 重要性 の 省略 間違い ネガティブ 予測ですか?
これ 想定している a 少し 少し それ 私たちは すでに 終わり a 初め ステップ
なぜなら 私たちは すでに 見た モデル スクリーニング そして どうやって 私たちは できる 得る そこには。
私は 起動 1つ ステップ 先に。
さあ 動く の中へ ジャンプ に 実は 取る a 見て で これ。
私たちは 見る その データセット、 それはわかります かなり 小さい、
ない あまりにも 多くの 列。
それ 見た目 とても 単純。
私たちは のみ 持っている これら 少し 予測因子 そして そこには いくつかの もっと 列。
そこには また a 検証 カラム それ 私は 追加した、
しかし その ない 表示されている ここ。
として のために その 初め 質問、
さあ 仮定する 私たちは 持っている すでに 終わり その モデル スクリーニング。
また、 これ は アクセス可能
上の 分析された 予測的な モデル スクリーニング
どこ 私たちは しない 特定 何 私たちは 欲しい に 予測する
そして その 要因 それ 私たちは 欲しい に 調査する。
また、 I 持っている すでに 準備した これ。
私たちは 持っている 一つの 結果 それ 見た目 のように これ。
それ 見た目 a 少し 少し 違う よりも で その 初め 使用 場合
なぜなら 今 私たちは 持っている これ バイナリ 結果
そして それで 私たちは 持っている いくつかの 違う 対策
それ 私たちは できる 使用 に 比較する。
しかし また、 何ですか 重要 は それ 私たちは 持っている 一つの 概要
の どれの の その 方法 は パフォーマンス より良い よりも 他の もの。
として 私たちは 言った、 で 注文 に 今 改善する
その モデル そして 強調する の上 省略 これら
間違い ネガティブ 予測。
さあ ただ 選ぶ その 1つ そして 見る 何 私たちは できる する ここ。
さあ 多分 平 選ぶ その 初め 三つ ここ、
それで 私たちは できる ただ する それ による 保持 その コントロール 鍵。
別の 特徴 それ 意思 ヘルプ 私たち ここ
は と呼ばれる 決断 しきい値
そして その 位置した で その 赤 三角形の決定 しきい値。
その 決断 しきい値 与える 私たち いくつかの コンテンツ。
私たちは 持っている これら グラフ ここ、 これら ショー その 実際の データ ポイント。
私たちは 持っている これ 混乱 マトリックス
そして 私たちは 持っている いくつかの 追加 グラフ そして マトリックス、
しかし 私たちは 意思 集中 の上 その アッパー 一部 ここ。
実際に 取る a 見て で その テスト 部分 の その セット。
いつ 私たちは 取る a 見て で これ、
私たちは できる 見る それ 私たちは 持っている 違う 種類 の 結果。
その デフォルト の これ 確率 しきい値
は その 真ん中、 どれの だろう なれ ここ で .5.
私たちは 持っている 今 いくつかの オプション に 見る そして 最適化する これ モデル
そして どうやって 効果的 それ は と 尊敬 に その 混乱 マトリックス。
混乱 マトリックス、 私たちは できる 見る その 予測された 価値
そして かどうか それ 実は だった 真実 または ない。
もし 私たちは 見て で いつ o 失敗 は 予測された、
私たちは できる 見る それ ここ、 と これ 設定、
私たちは 実は 持っている とても a 高い 番号 の 失敗、
平 けれど そこには だった いいえ 予測した。
今 私たちは できる インタラクティブに 探検する どうやって 調整 これ しきい値
実は 影響 その 正確さ の その モデル または その 誤分類 料金。
または で いくつかの ケース、 私たちは できる また 置く
一つの 強調 の上 何ですか 本当に 悪い よりも 一つの 他の 失敗。
私たちは できる する これ と その それで と呼ばれる 利益 マトリックス。
もし 私たちは 行く ここ、 私たちは できる セット a 価値
の上 どれの の その 誤分類 は 実は 悪い よりも その 他の 1つ。
で これ 場合、 私たちは 本当に する ない 欲しい
に 持っている a 予測 の いいえ 失敗
いつ そこには 実は は a 失敗 ハプニング。
私たちは だろう 置く 何か のように 20 回。
もっと 重要なのは、 私たちは する ない 得る これ 誤分類
そして 私たちは セット それ そして 打つ わかった、
そして それから それ 意思 自動的に アップデート その グラフ
そして それから 私たちは できる 見る それ その 価値観 のために その 誤分類
持っている 落とされた 今 で それぞれ の その モデル
そして 私たちは できる 使用 これ として 一つの 追加 道具
に 選択 a モデル それは 多分 ほとんど 適切な。
それは のために その 初め 質問 の どうやって 私たちは できる 調整する a 予測的な モデル
と 尊敬 に その より高い 重要性 の 省略 間違い ネガティブ 予測。
今、 別の 質問 ここ は また いつ 私たちは 考える の メンテナンス
そして どこ 私たちは 置く 私たちの 努力 の中へ メンテナンス、
は どうやって できる 私たちは 識別する そして 通信する
その 全体 重要性 の 予測子?
何 要因 は 運転 その システム、 その 失敗？
さあ 行く 戻る に その データ テーブル に 言う それ 初め、
I 個人的に のように ビジュアル そして 単純な もの。
1つ の 彼ら それ I のように に 使用 は もの のように その 平行 プロット。
なぜなら その 本当に a ニース 概要 要約
どこ その 失敗 グループ そしてどれ パラメータ 設定 そして それで の上。
の上 その モデリング そして 機械 学ぶ 側、
そこには a 少し 他の オプション それ 私たちは できる 実は 使用。
1つ それ I のように なぜなら その とても カリカリ そして クリア、
は その 予測子 スクリーニング。
予測者 スクリーニング 与える 私たち とても コンパクト 出力
について 何 は 重要 そして その とても 簡単 に する
そして その 下 分析された スクリーニング、
予測子 スクリーニング。
A ll 私たちは 必要 に する は 言う 何 私たちは 欲しい に 理解する
そして それから 特定 その パラメータ
それ 私たちは 欲しい に 使用 のために これ。
クリック わかった、 そして それから それ 再計算する
そして 私たちは 持っている これ 出力。
のために 自分、 その a 本当に ニース もの
なぜなら私が言ったように、 カリカリ そして クリア そして 消費する。
しかし 私たちは 話した について これ 前に
そして ラス、 いつ だった 働く と モデル 特に、
する あなた 持っている どれでも 他の 提案 または する あなた 持っている 何でも に 追加
に 私の アプローチ に 理解 その 要因
の どれの 予測因子 は 重要。
はい、 それ は a 良い もの に 試す。
として I 言及された 以前、 あなた 得た に なれ 本当に 注意深い
について 過剰適合。
私は仕事をする傾向がある と a 多く の これら 広い 問題、
言う から ゲノミクス そして 他の アプリケーション、
どこ あなた かもしれない 平 持っている
多くの もっと 予測因子 よりも あなた 持っている 観察。
で そのような a 場合、 もし あなた だった に 走る 予測子 スクリーニング、
言う 多分 選ぶ その トップ 10 最高
そして それから 行く 振り向く 右 その周り そして フィット a 新しい モデル
と それらの 10 のみ、 あなたは 実は ただ セット あなた自身 上
のために 過剰適合 もし あなた した その 予測子 スクリーニング の上 その 全体 データ セット。
それは その シナリオ 私は 心配している について。
その 一つの 簡単 トラップ に 秋 の中へ、
なぜなら あなた 考える あなたは ただ フィルタリング もの 下、
しかし あなたは 得た に 再利用 その 同じ データ 二度。
その 危険 だろう なれ もし あなた だった に プラグを差し込む 適用する それ モデル
に いくつかの 新しい データ、 それ おそらく しません する ほぼ として 良い。
もし あなたは で その ゲーム どこ あなた 欲しい に 減らす 予測因子、
I 傾向がある に のように に 好む に する それ 内で それぞれ 折り畳み の a K 折り。
その 欠点 の それ は あなたは 得る
a 違う セット 毎 時間、 しかし あなた できない 集計 それらの もの。
もし あなた 得た a ある 予測子
それはただ示しているだけだ 上 一貫して 横切って 折り目。
その とても 良い 証拠 そのうちの。 それは a とても 重要 1つ。
I 期待する それは 何 だろう 起こる で これ 場合 と、 言う、 トルク。
平 もし あなた だった に する これ エクササイズ、
言う 10 回 と 10 違う 折り目、 あなたは おそらく 得る a かわいい 似ている ランキング、
しかし その もっと の a 繊細さ
しかし また、 a 危険 それ あなた 持っている に 時計 外 のために。
仕事 できる 作る それ a 少し 少し より簡単に ただ なぜなら もの は それで 素早い そして クリーン、
のように あなた 言及された、 それ あなた かもしれない 秋 の中へ それ トラップ もし あなたは ない 注意深い。
うん、 それは とても 貴重な 追加 に これ アプローチ。
ただ同行するだけ に これ 追加 情報、
そこには また その 他の オプション それ 私たちは 持っている、
特に いつ 私たちは 持っている すでに
消えた を通して その プロセス の 作成 a モデル どこ 私たちは できる それから
実は また、 使用 その 予測 プロファイラー そして その 変数 重要性。
その 別の 方法 どこ 私たちは できる 評価
どれの の その 変数 持っている その より高い 重要性。
ラス、 する あなた 欲しい に 言う 言葉 の上 それ また
で 対比 多分 に その 予測子 スクリーニング？
うん。 正直に、 ヴォクト、 I のように その 重要性 もしそれが 少し より良い。
ただ ダイビング 右 の中へ その モデリング。
また、 I だろう 好む と K 折り。
それから あなた できる ただ 使用 その 変数 重要性 対策、
どれの は 頻繁 本当に 有益な 直接。
彼らは とても 似ている。 で 事実、 予測子 スクリーニング、
I 信じる、 その ただ 呼び出し ブートストラップ 森 で その 背景
そして 収集 その ほとんど 重要 変数。
その 基本的に その 同じ もの。
それから 続く 上 と その プロファイラー、 どれの できる なれ 素晴らしい のために 見る その通り
どうやって ある 変数 は わずかに 影響を与える その 応答、
そして それから 掘削 それ 平 さらに遠く と シャプレー
に なれ できる に 壊す 下 個人 予測
の中へ 彼らの コンポーネント。
に 自分、 その a とても 説得力のある そして 面白い 方法
に ダイビング の中へ a 予測的な モデル
そして 理解する 何ですか 本当に 行く の上 と それ、
一種の開梱 その 黒 箱
そして 貸す あなた 見る 何ですか 本当に ハプニング。
うん、 ありがとう。
I 考える それは その 全体 ポイント、
作る それ 理解できる そして 作る それ 消耗品
その上、 の コース、 実は 取得 に その 結果、
どれの は 理解 どれの 要因 は 影響を与える その 結果。
ありがとう。
今、 I 持っている 1つ もっと 質問、 そして あなたは すでに 言及された それ。
いつ 私たちは スコア 新しい データ、 で 特定の、
何 できる 私たちは する に 識別する
どれの 予測因子 持っている 実は 影響を受けた その モデル 結果？
今、 と 何 私たちは 持っている 終わり それで 遠い、
私たちは 持っている 獲得した a 良い 理解 の その システム そして 知る
どれの の その 要因 は その ほとんど 支配的な そして 私たちは できる 平 導き出す オペレーティング 範囲。
もし その システム 変更、 何 もし a 違う 要素 実は ドライブ a 失敗？
それから として それ だろう なれ 期待される で これ 場合 そして私たちは ローラ 予め、
そして シャプレーV 値 また は a 素晴らしい 追加 それ 意思 ヘルプ 私たち に 解釈する。
私たちは 見た どうやって 私たちは できる 生成する 彼ら、
そして あなたは 学んだ の上 どれの プラットフォーム 彼らは なれ 利用可能。
今、 その 出力 それ あなた 得る いつ あなた 保存 シャプレー値は、
のために 例、 また a グラフ それ ショー 私たち あたり 実際の あたり 行。
で これ 場合、
私たちは 持っている 10,000 行 で その データ タブには10,000個の積み上げ棒グラフがあります。
そして それから 私たちは できる すでに 見る 共通のパターンに加えて、
そこには また 回 いつ そこには 実際には他の影響要因
それ ドライブ その 決断 の その モデル。
その 本当に a 役立つ 道具 に ない 個人的な予測のみを立てる、
しかし また 追加 の上 に それ 何 ラスはちょうど 言った、
理解 の その システム、 どれの 要因 貢献する。
いつ 私たちは 動く a 少し ビットオン
で これ 理解できる または 探索の道、
私たちは できる 使用 これら シャプレー値 で 違う 方法。
何 I 個人的に 気に入った 提案は
に 実は プロット その シャプレー 価値 による 彼らの 実際のパラメータ設定、
なぜなら それ 許可する 私たち に 識別する 地域 の 設定。
のために 例、
もし 私たちは 取る 回転 スピード ここ、 私たちは できる 見る それ そこには 実は
地域 の これ パラメータ それ 傾向がある に 貢献する a 多く
で 条項 の その モデル 結果、 しかし また で 条項 の その 実際の 失敗。
それ また 役立つ 理解を深めるために
と 尊敬 に その 実際の 機械の故障の問題とその原因
そして また と 尊敬 に なぜ その モデルは何かを予測します。
今、 ついに、 I のように に 答え その 質問。
いつ 私たちは 取る これら グラフ の シャプレー値、
そして 私たちは 持っている 見た それ 前に で 何度か、
ストック は 確かに a 支配的な 要素。
しかし から 全て の これら、 私は ただ 選んだ a 少し 予測、
そして 私たちは できる 見る それ 時々 それ 株式、 時々 その ない。
と その シャプレー 価値観、私たちは本当に素晴らしい方法を持っています
に 通訳 a 特定の 予測 による その モデル。
全て 右、 それで それらの だった その もの 私たちは 望んでいた に 見せる。
I 希望 これ 与える いくつかの 素晴らしい 洞察力
どのように 私たちは できる 作る 人工知能 モデル もっと 説明可能な、
もっと 理解できる、
もっと 簡単 に ダイジェスト そして に 仕事 と、 なぜなら それは その 意図 ここ。
うん、 私は のように に 要約する a 少し 少し。
ピート、 多分 あなた 欲しい 来る で そして ヘルプ 自分 ここ。
I 考える 何 だった 期待して に 見せる は それ
として これら 人工知能 モデル なる もっと そして もっと 普及している
そして は 頼った その上 のために 決断 作る、 それ 理解、 通訳、
そして いる できる に 通信する それらの モデル は とても 重要。
私たちは 希望 それ と これら シャプレー対 値、
と その 変数 重要性、そしてプロファイラーでは、
私たちは 表示されている あなた a カップル の 方法 それ 結果を共有することができます
そして 持っている 彼ら 簡単に 理解できる。
それ だった その 取る- 家 その間 そして いる できる に 利用する
モデル スクリーニングとか、そういうもの
願わくば、 あなた 見つかった a 少し テクニック
それ 意思 作る これ もっと 理解できる そして 少ない の a 黒 箱。
うん、 I 絶対に 同意する。
ただ に 要約すると、 I 本当に のように に ラスとローラに感謝
のために 貢献する ここ と あなたの 専門知識。
ありがとう、 ピート。 そうだった a 喜び。
ありがとう、 ご清聴ありがとうございました。
だった 見ている フォワード に 持つ 議論 そして 質問 に 答え。
